Graph-Based Dimensionality Reduction for Hyperspectral Imagery: A Review

Hyperspectral image(HSI) contains a wealth of spectral information, which makes fine classification of ground objects possible. In the meanwhile, overly redundant information in HSI brings many challenges. Specifically, the lack of training samples and the high computational cost are the inevitable obstacles in the design of classifier. In order to solve these problems, dimensionality reduction is usually adopted. Recently, graph-based dimensionality reduction has become a hot topic. In this paper, the graph-based methods for HSI dimensionality reduction are summarized from the following aspects. 1) The traditional graph-based methods employ Euclidean distance to explore the local information of samples in spectral feature space. 2) The dimensionality-reduction methods based on sparse or collaborative representation regard the sparse or collaborative coefficients as graph weights to effectively reduce reconstruction errors and represent most important information of HSI in the dictionary. 3) Improved methods based on sparse or collaborative graph have made great progress by considering global low-rank information, local intra-class information and spatial information. In order to compare typical techniques, three real HSI datasets were used to carry out relevant experiments, and then the experimental results were analysed and discussed.Finally, the future development of this research field is prospected.     

一种面向目标的情感极性分析方法

面向目标的情感分析是细粒度情感分析的重要任务之一,旨在预测句子中给定目标实体的情感极性.当前大多数研究方法忽略了句法结构信息,在情感判别时往往会关注无关词汇,从而使分类性能下降.为此,设计了一种新的引入句法结构的模型,该模型利用双向预训练编码器和作用于依存句法树的图卷积网络分别捕获文本的上下文信息和句法结构信息,并使用多头注意力机制进行信息聚合得到目标的情感分类表征.此外,还将该模型与现有的领域自适应方法相结合,同时向模型中引入领域知识和句法结构知识,进一步提升了模型效果.在几个常用的标准数据集上的实验结果表明了上述模型的有效性.     

块对角子空间聚类中成对约束的主动式学习

针对块对角表示(block diagonal representation, BDR)子空间聚类算法在对子空间重叠的高维数据聚类时效果较差的问题,提出成对约束的块对角子空间聚类(constrained subspace clustering with block diagonal representation, CBDR)算法,设计主动式学习策略,获取用户提供的少量数据点成对信息,以改进BDR算法的性能,给出CBDR算法的目标函数和求解过程。在测试集上的试验结果表明,CBDR算法的聚类错误率和归一化互信息指标比BDR和SBDR(structured block diagonal representation)算法好,而且主动式选取点对方法优于随机选取点对方法,使用少于5‰的约束信息可降低BDR的聚类错误率达到5%以上。     

基于图的语义网络构造算法研究

在自然语言处理的基础上,将中医领域本体与图的基本性质相结合,提出了构造中医诊疗知识语义网络算法。给出了图的基本性质、语义网络的图定义,并为知识的网络表示建立了相应的数据结构。将算法用于中医领域语义网络和语义场构建。试验结果表明,该算法具有较好的实用性。提出的基于图的语义网络构造算法,对于文本挖掘、知识获取技术研究有重要意义,也是中医专家知识获取的有效方法。     

一种新的知觉分割模型*

根据知觉的最新理论研究和实验结果,提出一种新的知觉模型,并用于考查计算机视觉中的分割问题.分割问题实质上是知觉表达问题,现在分割的困难性可能是知觉上局部到整体的还原论假设造成的;分割可能不是一次完成的,而是经过整体到局部的过程才最终完成.新的知觉模型将对建立更好的分割模型提供理论基础.     

基于时间序列模式表示的异常检测算法*

提出了一种基于时间序列的模式表示提取时间序列异常值的异常检测算法(PREOV).时间序列的模式表示本身就具有压缩数据、保持时间序列基本形态的功能,并且具有一定的除噪能力.在时间序列模式表示的基础上提取异常值,可以大大提高算法的效率和准确性,达到事半功倍的效果.在本算法中,还使用了一定的剪枝策略,使得算法的时间复杂度进一步降低.该算法计算简单、实现方便、无须训练,可以支持时间序列的动态增长.     

一种面向重构的工作流活动状态语义描述方法

工作流活动行为的精确描述是实现工作流过程控制的基础。基于状态的工作流活动行为描述方法在当前的工作流管理系统中被普遍采用。然而,非形式化的活动状态描述缺乏精确的语义并且不易扩充,导致系统适应性较差。针对业务过程管理需求的多样性和动态性,提出了一种支持快速重构的工作流活动状态语义的形式化描述方法。在分析工作流活动与工作项的状态关联基础上,定义了活动状态配置、活动状态配置全集等用于活动状态语义描述的基本概念。通过把活动状态映射为具有相同特征的活动状态配置的集合,建立了形式化的活动状态语义,研究了在此语义下活动状态的重构机制和基本实现步骤,并通过实例验证了该机制的有效性。应用本方法能够提高工作流管理系统适应企业业务过程管理需求快速变化的能力。     

机床故障诊断系统知识表示的研究

针对所研究的机床故障诊断专家系统，以故障树分析法为基础，采用面向对象的事件知识表示方法。并以面向对象编程技术给出了知识表示的示例。分析了这种知识表示方法的特点。实践证明，这种知识表示方法在故障诊断专家系统中是确实有效的，而且这种表示方法融合了多种传统知识表示方法的长处，是一种值得研究与应用的方法。     

压缩感知及其图像处理应用研究进展与展望

压缩感知理论（Compressed sensing,CS）通过少量的线性测量值感知信号的原始结构,并通过求解最优化问题精确地重构原信号.该理论减少了数字图像及视频 获取时的存储及传输代价,也为后续的图像处理及识别的研究提供了新的契机,促进了理论和工程应用的结合. 阐述了CS的基本原理,综述了其关键技术稀疏变换、观测矩阵 设计、重构算法的一系列最新理论成果和发展,深入分析和比较了CS理论应用到图像处理领域的研究和发展状况,总结了其中存在的问题,并对未来的应用前景进行了展望.